了解张量流间/内并行线程

我想更多地了解这两个参数：操作内和操作间并行线程

session_conf = tf.ConfigProto(
  intra_op_parallelism_threads=1,
  inter_op_parallelism_threads=1)

我读过这篇文章，其中有很好的解释：TensorFlow：操作间和操作内并行性配置 https://stackoverflow.com/questions/41233635/tensorflow-inter-and-intra-op-parallelism-configuration

但我正在寻求确认，并在下面提出新问题。我正在 keras 2.0.9、tensorflow 1.3.0 中运行我的任务：

1. 当两者都设置为 1 时，是否意味着在具有 4 个核心的计算机上，四个核心将仅共享 1 个线程？
2. 为什么使用 1 个线程似乎对我的任务速度没有太大影响？我的网络具有以下结构：dropout、conv1d、maxpooling、lstm、globalmaxpooling、dropout、dense。上面引用的帖子说，如果有大量矩阵乘法和减法运算，使用多线程设置会有所帮助。我对下面的数学了解不多，但我想我的模型中有很多这样的矩阵运算？然而，将两个参数从 0 设置为 1 只会使 10 分钟的任务慢 1 分钟。
3. 为什么多线程可能成为不可重现结果的来源？看使用 Python 中的 Keras 和 TensorFlow 无法重现结果 https://stackoverflow.com/questions/46836857/results-not-reproducible-with-keras-and-tensorflow-in-python。这是我在进行科学实验时需要使用单线程的主要原因。当然，随着时间的推移，张量流一直在改进，为什么这个版本没有解决这个问题？

提前谢谢了

1. 当两个参数都设置为 1 时，将有 1 个线程在 4 个核心中的 1 个上运行。它运行的核心可能会改变，但每次总是 1。

2. 当并行运行某些东西时，总是需要在通信损失时间和通过并行化获得时间之间进行权衡。根据所使用的硬件和特定任务（如矩阵的大小），加速会发生变化。有时并行运行某些东西甚至比使用一个核心还要慢。

3. 例如，当在 cpu 上使用浮点数时，(a + b) + c将不等于a + (b + c)因为浮点精度。使用多个并行线程意味着像这样的操作a + b + c并不总是以相同的顺序计算，导致每次运行都会得到不同的结果。然而，这些差异非常小，在大多数情况下不会影响整体结果。通常仅在调试时才需要完全可重现的结果。强制执行完全的可重复性会大大减慢多线程的速度。